গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
ভারসাম্যহীন সনাক্তকরণ কুইজের জন্য ফোকাল লস
ফোকাল-লস মডুলেটর, শ্রেণির ভারসাম্যহীনতা, আলফা এবং গামার ভূমিকা এবং কতটা ভাল-শ্রেণীবদ্ধ এবং কঠিন উদাহরণগুলি আলাদা তা পরীক্ষা করে।
প্রশ্ন 1 এর 8
এক-পর্যায়ে অবজেক্ট সনাক্তকরণে কোন মূল সমস্যাটি সমাধান করার জন্য ফোকাল লস ডিজাইন করা হয়েছিল?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- এক-পর্যায়ে অবজেক্ট সনাক্তকরণে কোন মূল সমস্যাটি সমাধান করার জন্য ফোকাল লস ডিজাইন করা হয়েছিল?
- বিরল অগ্রভাগের বস্তু এবং প্রচুর সহজ পটভূমির মধ্যে চরম ভারসাম্যহীনতা
- দুই-পর্যায়ের ডিটেক্টরের ধীর অনুমান গতি
- লেবেলযুক্ত প্রশিক্ষণ ডেটার অভাব
- বড় বস্তুর জন্য overfitting
- মডিউলেটিং ফ্যাক্টর কি যে ফোকাল লস ক্রস-এনট্রপিতে গুণ করে?
- লগ(p_t)
- (1 - p_t)^গামা
- শুধুমাত্র p_t^2
- 1 / p_t
- ফোকাসিং প্যারামিটার গামা 0 এ সেট করা হলে ফোকাল লসের কী হবে?
- এটি গড় বর্গাকার ত্রুটি হয়ে যায়
- এটি সমস্ত ইতিবাচক উদাহরণ উপেক্ষা করে
- এটি সাধারণ ক্রস-এনট্রপি হয়ে যায়
- এটা অসীম থেকে বিচ্যুত হয়
- ক্রমবর্ধমান গামা সহজ, ভাল-শ্রেণীবদ্ধ উদাহরণের জন্য কী করে?
- তাদের ক্ষতি অবদান বৃদ্ধি
- তাদের অবদান অপরিবর্তিত রেখে যায়
- ডেটাসেট থেকে তাদের সরিয়ে দেয়
- তাদের ক্ষতির অবদানকে আরো জোরালোভাবে দমন করে
- কোন ডিটেক্টর আর্কিটেকচার ফোকাল লস চালু করেছে?
- রেটিনানেট
- YOLOv1
- দ্রুত আর-সিএনএন
- অ্যালেক্সনেট
- আলফা প্যারামিটার সাধারণত গামার পাশাপাশি কী ভূমিকা পালন করে?
- এটি শেখার হার নির্ধারণ করে
- এটি ইতিবাচক বনাম নেতিবাচক শ্রেণীর আপেক্ষিক ওজনের ভারসাম্য বজায় রাখে
- এটি ছবির রেজোলিউশন নিয়ন্ত্রণ করে
- এটি অ্যাঙ্কর বাক্সের সংখ্যা নির্ধারণ করে
- For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
- Drive the factor to zero
- Turn the example into a positive label
- Keep the factor relatively close to one so the example retains substantial loss weight
- Replace the cross-entropy term with alpha
- A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
- Increase their count by duplicating them
- Remove all positive object examples
- Make every example receive an identical loss
- Reduce their dominance so training can focus more on sparse hard examples